几天前，飞书上新了“飞书知识问答”，这是一个基于企业知识的企业专属AI 问答工具。
当用户在工作中遇到问题时，可随时向它提问，它能根据用户在飞书上有权限访问的所有聊天消息、协同文档、多维表格、知识库以及各种格式文件等数据，直接给出答案。用户还能借助这个工具，基于企业知识进行内容创作。
使用DeepSeek、豆包、Kimi 等消费级的通用AI工具进行提问，得到的回答是基于大模型基础知识以及实时更新的互联网知识，而在飞书端内使用知识问答，当用户选择“使用知识”而不是“联网搜索”，AI 会根据企业内部信息而不是公域互联网信息生成答案。
飞书这个新产品特点是：
问答采用了大模型的检索增强技术，用户可选择DeepSeek 等基座模型；同时，问答系统是开放框架，也能联网。
在底层技术上，产品对企业知识进行了预处理，如改写碎片化信息、解析各种格式文档的内容、处理权限问题等，提升回答质量。
针对用户的提问和意图，对常见的问答场景进行了定向优化，也有助于提升回答效果。
知识管理是企业信息系统的进阶应用，企业应用信息技术呈现出“数据- 信息- 知识- 智慧（DIKW）”的递进，体现了数据在企业里的价值升维：
数据（Data）：原始碎片化素材，如文档、聊天记录，或者事务处理的结构化数据；
信息（Information）：经清洗、分类后有逻辑的数据，如结构化报表，或者附带了元数据标签（例如内容类型）的文档；
知识（Knowledge）：提炼关联形成的经验体系，如流程手册、最佳实践；或者是通过数据分析形成的业务趋势洞察
智慧（Wisdom）：基于知识的动态决策能力，如战略洞察、创新迭代。
飞书这样的员工高频应用会从群聊、文档、会议等工作记录中，产生并沉淀出大量的企业知识，基于这些知识来支持用户问答，非常适应AI的交互使用逻辑。
四年前我第一次写飞书时，《我看飞书 ｜ 先进组织的数字化》就已经提到，知识管理是先进组织的数字化协同工具的六大组件之一；有意思的是，其他五个组件在飞书平台上都早已经有产品，而知识管理作为一个独立产品，却过了四年才以 “AI问答”的方式姗姗来迟。
我在《知识管理 ｜ 江湖失传的管理咨询和企业软件品类》文中介绍过，企业的知识管理数字化由来已久。
传统的企业知识管理系统原理是：知识源既有基于电子邮件、聊天对话等组织协作工具生成的各种文本，也有 工作任务生成的Word、PPT格式的文档、文件，这些知识源被规整到“企业内容管理（ECM）”系统里，按照知识管理意图建立元数据管理，基于元数据的标签对知识进行分门别类，形成企业知识库。对知识进行利用、提取时，则利用基于关键词匹配或者简单语义关系的企业级搜索技术，找到相应的知识文件。
下图是我在2010 年负责的一个知识管理平台项目的架构图：
传统的知识管理架构投入大量人力进行数据治理：需要专职团队进行元数据标注，文档的关键词标签体系往往难以动态更新，导致新产生的知识难以被有效索引。随着移动协同工具越来越多，传统系统在多模态信息处理上多有不足。权限管理也是知识管理的挑战，知识文档的敏感性往往随时间、业务环境等因素动态变化，按角色的静态权限模型难以适应这种复杂性。
正是因为这些技术原因，使得“知识管理”成为企业里虽感重要，但是很难推进的一个数字化领域。
人工智能的技术革命催生了企业级知识管理新范式：
2012年后从搜索引擎发展起来的知识图谱技术，实现了实体-关系的自动化抽取，标志着知识管理从"人工标注"转向"智能构建"的转型。数据规模与应用场景不断扩展，知识图谱从早期的领域专用知识库，发展为支持跨领域、多模态数据融合的通用平台，它将碎片化数据转化为结构化知识，支持复杂推理与决策。
而擅长复杂推理的大语言模型（LLM）的崛起，彻底重构了人机交互方式。当GPT 出现之初，办公软件厂商就将知识管理用问答的方式来呈现，例如在一个会议场景中，用户可以询问一个决策相关的信息，系统会自动解析公司制度、历史会议记录、邮件往来和相关财务报表，生成结构化答复。
检索增强生成（RAG）技术减少了大模型在企业应用场景中的幻觉问题。通过将企业私有知识库向量化存储，RAG系统能够动态筛选相关文档，作为答案生成依据，提升了对准确性有较高要求的大模型在企业中的可用性。
这就出现了我们看到几经打磨，飞书CEO 说从“能用”到“好用”的产品：
可以观察到，AI知识问答和传统知识管理从技术架构到应用方式上，都有很大不同：
1.全源数据整合，打破信息孤岛：企业级知识问答突破了传统文档管理的范畴，形成"结构化数据+非结构化数据+实时数据"等多源、多模态、多时态的整合能力，实时处理飞书等协作平台上的各种记录，还可以对接ERP、BI 等企业业务系统，甚至可以解析工程图纸、监控视频、通话录音等异构数据。
2.智能问答，从提供文档到提供知识：传统企业知识管理系统通过关键词搜索返回的是文档列表，而企业级知识问答则直接提供用户可理解的答案。用户查询信息无需想起来关键词，只要模糊地说出问题，知识问答利用自然语言处理技术（NLP），可匹配到个人或组织的工作历史中的任何信息——只要存在于飞书平台上、并具有访问权限的。答案不仅包含文本摘要并链接到源头文档，还可自动生成趋势图表、关联知识实体。
?飞书知识问答的对话界面
3.对话式交互，持续深化认知协同：用户采用自然语言查询，从单轮问答升级为多轮对话，直到用户获得满意答案。对话能力具有上下文记忆，持续跟踪对话历史，系统能理解用户的表达意图，当查询存在歧义时，系统会生成澄清选项，根据用户反馈优化答案质量。
4.智能体架构可以动态编排的知识服务：最近兴起的基于大模型的智能体技术，使得知识问答系统进化为可自主协调多个信息源的智能体，这类系统具有任务拆解能力，将复杂查询分解为数据检索、逻辑推理、结果验证等子任务，
分别选择适合的API接口或分析模型完成任务，并综合任务结果，灵活调整知识呈现方式。
这一轮生成式 AI 和AI智能体发展，特别适合企业级知识管理的应用场景，我觉得这有点像2010 年前后随着谷歌、百度等搜索引擎技术发展，搜索引擎技术被引入企业形成企业级搜索，带动的一轮企业知识管理小高潮。
然而传统企业搜索技术并不能很好地解决企业内员工的知识管理需求，就连谷歌自己的员工也对谷歌内部的信息查找、知识管理不满意，谷歌早期资深工程师Arvind Jain于是创业了一家名为 Glean的企业搜索公司，致力于深度的企业信息系统集成，通过企业和个人的知识图谱，揭示企业内部的人员、内容、业务流程和权限关系，从而提高知识检索的性能。
目前 Glean 提供企业知识的 AI 问答助手，用户也可在这个平台上创建智能体。它定位于“工作 AI 平台“（Work AI Platform）”，截至2025年初，成立仅三年多实现了1亿美元的ARR，跻身增长最快的SaaS初创公司之列，日活占月活的比例接过40%，用户黏性很高。2024年12月，Glean宣布以 46 亿美元的估值完成了2.6亿美元的E轮融资，近期传闻Glean新一轮融资的估值达到70亿美元，
DIKW 框架揭示了构建在知识之上的是智慧认知；我们可以预计飞书知识问答这类产品的未来是"认知增强"，可以想象这样一些场景：通过脑机接口技术，直接捕捉专家的隐性知识；用区块链技术构建可信的知识溯源体系。
AI驱动的企业级知识问答也存在诸多挑战：一是大模型本身存在的幻觉，以及大模型训练可能在源头上会受到对抗性攻击和语料污染，可能误导大模型生成错误回答，二是AI 使得企业知识加速透明化，企业要推动共享、开放的组织文化变革，三是AI生成知识的可解释性，以及合规性和效能的平衡，还需不断完善技术。
